IF-10 Pembelajaran Mesin: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
Tidak ada ringkasan suntingan |
|||
Baris 10:
*Transduction: Tipe ini hampir mirip dengan Supervised Learning, tapi tidak secara jelas untuk membangun suatu fungsi melainkan mencoba memprediksi output baru yang berdasarkan dari input baru, masukan pelatihan input dan output
*Learning to learn: Tipe ini menggunakan algoritma untuk mempelajari yang sebelumnya.
== Manfaat dan Contoh Implementasi ==
Pembelajaran mesin menjaganya agar tetap sederhana, sebuah algoritma dikembangkan untuk mencatat perubahan dalam data dan berevolusi dalam desain itu untuk mengakomodasi temuan baru. Seperti diterapkan untuk analisis prediktif, fitur ini memiliki dampak luas mulai pada kegiatan yang biasanya dilakukan untuk mengembangkan, menguji, dan memperbaiki algoritma untuk tujuan tertentu.
Aplikasi untuk pembelajaran mesin termasuk:
*Machine perception
*Computer vision, including object recognition
*Natural language processing
*Syntactic pattern recognition
*Machine learning
*Medical diagnosis
*Bioinformatics
*Brain-machine interfaces
*Cheminformatics
*Detecting credit card fraud
*Stock market analysis
*Classifying DNA sequences
*Sequence mining
*Speech and handwriting recognition
*Games
*Software engineering
*Adaptive websites
*Robot locomotion
*Computational advertising
*Computational finance
*Structural health monitoring
*Sentiment analysis (or opinion mining)
*Affective computing
*Menerima Informasi
*Recommender systems
| |||